流体力学作为工程学科中的重要分支,在航空航天、能源、环境等领域具有广泛应用。然而,传统的流体力学研究方法在处理复杂流动问题时往往面临诸多瓶颈。近年来,随着人工智能技术的快速发展,大模型在流体力学领域的应用逐渐成为研究热点。西北工业大学(以下简称“西工大”)在这一领域取得了显著成果,引领了大模型创新浪潮。
大模型在流体力学中的应用
大模型在流体力学中的应用主要体现在以下几个方面:
湍流模拟与预测:湍流是流体力学中的难题,传统的湍流模型往往难以准确描述湍流特性。大模型能够通过学习大量湍流数据,建立更加精确的湍流模型,从而提高湍流模拟与预测的准确性。
复杂流动问题求解:大模型可以处理复杂流动问题,如高超声速流动、多相流等,通过学习复杂流动规律,为工程应用提供有力支持。
流动控制优化:大模型可以优化流动控制策略,如激波串控制、分离流控制等,提高飞行器、风力机等设备的性能。
西工大在大模型创新方面的成果
数据-知识驱动的动态失速建模方法:西工大史子颉、高传强等研究者提出了一种数据-知识驱动的动态失速建模方法。该方法融合了经典的理论模型和从数据中挖掘的物理知识,通过神经网络模型实现了高精度的小样本建模。相比纯数据驱动的神经网络,该方法在泛化精度上提升了50%,显著降低了对高精度训练数据的依赖。
基于全局稳定性分析的数据驱动雷诺应力模式误差传播现象新解释:西工大单湘淋、张伟伟等研究者通过全局稳定性分析方法,对数据驱动雷诺应力模式中的误差传播问题及系统稳定性进行了探讨。该研究揭示了误差传播的内在机理,为数据驱动湍流建模及其在工程应用中的推广提供了理论基础和技术支持。
基于径向基函数神经网络的激波串数据驱动控制方法:西工大常宝辉、李楠等研究者采用基于径向基函数神经网络的数据驱动方法,实现了对激波串位置的有效控制。该方法为高超声速进气道/隔离段内复杂流动的闭环控制提供了新范式。
总结
西工大在大模型创新方面的成果,为突破流体力学瓶颈提供了有力支持。随着人工智能技术的不断发展,大模型在流体力学领域的应用将更加广泛,为相关工程领域带来更多创新和发展机遇。
